共查询到10条相似文献，搜索用时 15 毫秒
1.
张莹 《蒙自师范高等专科学校学报》2014,(2):36-38
为了提高异步电机故障诊断的准确性,引入了一种基于模拟退火粒子群算法优化BP神经网络(SAPSO-BP算法)的故障诊断方法.根据电机转子振动频谱中所提取的特征参数与故障类型之间的关系数据,利用模拟退火粒子群算法来优化BP神经网络的权、阈值参数,再由优化好的BP网络进行故障诊断.实验结果表明,该方法具有较好的故障模式的识别效果,明显提高了异步电机故障诊断的准确性. 相似文献
2.
乔维德 《娄底职业技术学院学报》2008,6(4):39-43
粒子群优化（PSO）算法是基于群智能的全局优化技术,它通过粒子间的相互作用,对解空间进行智能搜索,从而发现最优解。本文对基本粒子群算法进行改进,并将改进粒子群优化算法与误差反向传播（BP）算法结合起来构成的混合算法用于训练人工神经网络,对电力电子电路故障进行在线诊断。仿真结果表明,改进PSO-BP算法有效地解决常规BP算法学习网络权值和阈值收敛速度慢、易陷入局部极小等问题,具有较快的收敛速度和较高的诊断精度。 相似文献
3.
针对现有BP神经网络选取权值和阈值不精确问题,采用改进量子粒子群优化算法优化BP神经网络权值和阈值。首先在改进的量子粒子群优化算法中,采用双层多种群优化策略提高整个种群的寻优能力,然后在每个子群中使用混沌反向学习和Levy飞行增强子群寻优能力,最后利用改进的量子粒子群优化BP神经网络权值和阈值。实验结果表明,改进的量子粒子群优化算法能有效提高BP神经网络的全局寻优能力和收敛性,对数控高速铣削加工的铣削力进行准确预测。 相似文献
4.
针对以往飞机发动机故障诊断方法由于故障样本少而导致的诊断精度低,提出了一种基于最小二乘支持向量机(least squares support vector machine,LSSVM)的飞机发动机故障诊断方法。首先,给出了基于LSSVM对飞机发动机进行故障诊断的模型;然后,为了提高LSSVM的诊断性能,采用改进的粒子群算法对LSSVM的参数进行训练,并定义了最终基于改进粒子群优化SVM的具体诊断算法;最后,通过飞机发动机故障诊断实例仿真实验证明了文中方法能正确地实现故障分类,具有较高的故障诊断精度,且与其他方法相比,具有较优的适应度和较快的收敛速度。 相似文献
5.
李伟 《石家庄铁路职业技术学院学报》2012,(2)
为准确、快速、高效地预测电网短期负荷,提出改进的粒子群算法(DPSO),并与BP算法相结合,形成改进的粒子群—BP(DPSO-BP)神经网络算法,用此算法训练神经网络,实现神经网络参数优化,得到基于DPSO-BP算法的神经网络模型.算例分析表明,与传统BP神经网络法和PSO-BP神经网络方法相比,该方法改善BP神经网络的泛化能力,预测精度高,收敛速度快,对电力系统短期负荷具有良好的预测能力 相似文献
6.
《滨州学院学报》2019,(4):22-28
针对基于部件级航空发动机动态建模过程中完整、准确的航空发动机部件特性数据往往难以获取、建模时间长等现象,提出使用实验数据进行辨识建模的方法。为了建立航空发动机的动态模型,通过对某轻型飞机实验台的飞行实验数据进行分析整理,提出使用BP神经网络对发动机重要参数进行建模,同时使用粒子群优化算法(Particle swarm optimization,PSO)对BP神经网络的权值和阈值进行优化,使用改进粒子群优化算法(Improved particle swarm optimization algorithm,IPSO)对传统粒子群优化算法进行改进,仿真结果表明IPSO-BP网络建立的发动机模型精度和稳定性更高。 相似文献
7.
针对电梯运行故障的动态诊断难题,提出一种优化的BF神经网络故障诊断模型,实时分析电梯运行数据,准确快速得出电梯故障信息,提高电梯运行的安全性和可靠性。将粒子群算法引入到神经网络算法中,修改误差目标函数的距离公式,建立电梯故障诊断的改进神经网络模型,并通过实验数据的仿真分析,从而验证了电梯故障诊断具有可行性。 相似文献
8.
《实验室研究与探索》2019,(9)
提出了一种基于正余弦算法(Sine-Cosine Algorithm,SCA)的电网故障诊断方法。SCA算法采用正弦函数与余弦函数实现迭代运算,结构简单、搜索快速、易于实现。根据电网故障诊断问题的特点设计了二进制SCA算法,通过单重故障、多重故障并伴有保护和断路器不正确动作的多个算例,从准确性、快速性、收敛性等多个角度对比分析了SCA故障诊断方法的有效性。仿真结果表明,与遗传算法和粒子群算法相比,SCA算法可以快速获得更加准确的诊断结果,且合理的算法参数设置对诊断结果产生重要影响。 相似文献
9.
由于BP网络存在学习效率低、收敛速度慢、易陷入局部极小状态、适应能力较差等缺点,而粒子群优化（PSO）算法的收敛速度快（尤其是在进化初始阶段）,运算简单、易于实现,又没有遗传算法的编解码和杂交、变异等复杂运算,因此是一种很好的优化算法。但是,PSO算法也存在不足,该算法进化后期存在速度变慢以及早熟的现象。提出一种改进的粒子群BP神经网络对高炉炉温进行预测。通过调整粒子群算法中学习因子的自适应能力,提高算法的收敛速度和搜索全局最优的能力。通过仿真结果说明改进的粒子群算法要优于BP算法和标准的粒子群算法。 相似文献